科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对传统粒子群算法(Particle Swarm Optimization, PSO)在全局路径规划过程中存在搜索路径不合理、容易陷入局部最优解等问题，提出了一种PSO-ABC(Particle Swarm Optimization-Artificial Bee Colony Algorithm)融合搜索算法。首先，提出惯性权重自适应更新与动态学习因子策略，使得粒子能够随着迭代次数的变化而更新惯性权重与学习因子，提高算法的寻优能力和收敛速率；其次，提出粒子拥挤度因子的概念，增强算法跳出局部极小值的能力；最后，引入人工蜂群算法中的跟随蜂和侦察蜂思想，提高融合算法的全局搜索能力。设置4种不同的障碍物环境进行仿真实验，实验结果表明，改进的融合算法相较于3种对比算法路径规划速度快且路径短，提高了算法搜索路径的成功率，其综合性能显著优于传统的粒子群算法。
- 出版日期2023
- 单位自动化学院; 武汉理工大学
